人工智能07蚁群算法及其应用.pptVIP

（三）最大最小蚂蚁系统 关于 的取值，没有确定的方法，有的 书例子中取为0.01，10；有的书提出一个在最大 值给定的情况下计算最小值的公式。 1、每次迭代后，只对最优解所属路径上的信 息素更新。 特点 2、对每条边的信息素量限制在范围 内，目的是防止某一条路径上的信息素量远 大于其余路径，避免过早收敛于局部最优解。 （四）基于优化排序的蚂蚁系统 特点：每次迭代完成后，蚂蚁所经路径由小到大排序， 并根据路径长度赋予不同的权重，路径越短权重越大。 信息素更新时对 考虑权重的影响。 第三十一页，共五十二页。 特点：主要是修改了ACS中的全局更新公式，增加 对最差蚂蚁路径信息素的更新，对最差解进 行削弱，使信息素差异进一步增大。 （五）最优最差蚂蚁系统 （六）一种新的自适应蚁群算法 特点：将ACS中的状态转移规则改为自适应伪随机 比率规则，动态调整转移概率，以避免出现 停滞现象。 说明：在ACS的状态转移公式中， 是给定的常数；在AACA中， 是随平均节点分支数ANB而变 化的变量。ANB较大，意味着下一步可选的城市较多， 也变大，表示选择信息素和距离最好的边的可能性增大；反之减小。 第三十二页，共五十二页。 （七）基于混合行为的蚁群算法 特点：按蚂蚁的行为特征将蚂蚁分成4类，称为4个子蚁群，各子蚁群按各自的转移规则行动，搜索路径，每迭代一次，更新当前最优解，按最优路径长度更新各条边上的信息素，如此直至算法结束。 蚂蚁行为——蚂蚁在前进过程中，用以决定其下一步移动到哪个状态的规则集合。 1、蚂蚁以随机方式选择下一步要到达的状态。 2、蚂蚁以贪婪方式选择下一步要到达的状态。 3、蚂蚁按信息素强度选择下一步要到达的状态。 4、蚂蚁按信息素强度和城市间距离选择下一步要到达的状态 。 蚂蚁 行为 第三十三页，共五十二页。 蚁群算法与遗传、模拟退火算法的比较 实验结果表明： 1、蚁群算法所找出的解的质量最高，遗传算法次之，模拟退火算法最低。 2、蚁群算法的收敛速度最快，遗传算法次之，模拟退火算法最慢。蚁群算法之所以能够快速收敛到全局最优解，是因为该算法的个体之间不断进行信息交流和传递。单个个体容易收敛于局部最优，多个个体通过合作可以很快地收敛于解空间的最优解的附近。 第三十四页，共五十二页。 蚁群算法的应用 应用领域 蚁群算法能够被用于解决大多数优化问题或者能够转化为优化求解的问题。 现在其应用领域已扩展到多目标优化、数据分类、数据聚类、模式识别、电信QoS管理、生物系统建模、流程规划、信号处理、机器人控制、决策支持以及仿真和系统辩识等方面，群智能理论和方法为解决这类应用问题提供了新的途径。 第三十五页，共五十二页。 蚁群算法的应用 蚁群算法在电信路由优化中已取得了一定的应用成果。HP公司和英国电信公司在90年代中后期都开展了这方面的研究，设计了蚁群路由算法（Ant Colony Routing, ACR）。 每只蚂蚁就像蚁群优化算法中一样，根据它在网络上的经验与性能，动态更新路由表项。如果一只蚂蚁因为经过了网络中堵塞的路由而导致了比较大的延迟，那么就对该表项做较大的增强。同时根据信息素挥发机制实现系统的信息更新，从而抛弃过期的路由信息。这样，在当前最优路由出现拥堵现象时，ACR算法就能迅速的搜寻另一条可替代的最优路径，从而提高网络的均衡性、负荷量和利用率。目前这方面的应用研究仍在升温，因为通信网络的分布式信息结构、非稳定随机动态特性以及网络状态的异步演化与ACO的算法本质和特性非常相似。 第三十六页，共五十二页。 蚁群算法的应用 基于群智能的聚类算法起源于对蚁群蚁卵的分类研究。Lumer和Faieta将Deneubourg提出将蚁巢分类模型应用于数据聚类分析。其基本思想是将待聚类数据随机地散布到一个二维平面内，然后将虚拟蚂蚁分布到这个空间内，并以随机方式移动，当一只蚂蚁遇到一个待聚类数据时即将之拾起并继续随机运动，若运动路径附近的数据与背负的数据相似性高于设置的标准则将其放置在该位置，然后继续移动，重复上述数据搬运过程。按照这样的方法可实现对相似数据的聚类。 第三十七页，共五十二页。 第七章 蚁群算法及其应用 第一页，共五十二页。 蚁群算法的背景 20世纪50年代中期创立了仿生学，人们从生物进化的机理中受到启发。提出了许多用以解决复杂优化问题的新方法，如进化规划、进化策略、遗传算法等，这些算法成功地解决了一些实际问题。 蚁群算法从蚂蚁觅食得到启发。 第二页，共五十二页。 蚁群算法的背景 仿生算法 集群智能算法 概率型算法